[论文解读] LHCb's Forward Tracking algorithm for the Run 3 CPU-based online track-reconstruction sequence

P. A. Günther|arXiv (Cornell University)|Jul 26, 2022

Particle physics theoretical and experimental studies被引用 4

一句话总结

本文提出了一种前向追踪算法，作为LHCb实验Run 3基于CPU的高级触发（HLT2）系统的关键组件，用于实现实时、完整的事件重建。该算法通过AVX2指令集实现SIMD向量化，加速了SciFi追踪器中的轨迹重建，实现了60%的吞吐量提升，同时保持了重建效率且未增加虚假轨迹率，使每个计算节点每秒可处理超过500个事件。

ABSTRACT

In Run 3 of the LHC the LHCb experiment faces very high data rates containing beauty and charm hadron decays. Thus the task of the trigger is not to select any beauty and charm events, but to select those containing decays interesting for the LHCb physics programme. LHCb has therefore implemented a real-time data processing strategy to trigger directly on reconstructed events. The first stage of the purely software-based trigger is implemented on GPUs performing a partial event reconstruction. In the second stage of the software trigger, the full, offline-quality event reconstruction is performed on CPUs, with a crucial part being track reconstruction, balancing track finding efficiency, fake track rate and event throughput. LHCb's CPU-based track reconstruction sequence for Run 3 is presented, highlighting the "Forward Tracking", which is the algorithm that reconstructs trajectories of charged particles traversing all of LHCb's tracking detectors. To meet event throughput requirements, the "Forward Tracking" uses SIMD instructions in several core parts of the algorithm, such as the Hough transform and the cluster search. These changes led to an improvement of the algorithm's event throughput by 60%.

研究动机与目标

• 为应对LHCb Run 3中超过传统硬件触发能力的数据率，其每秒产生数百万个底夸克和粲夸克强子衰变。
• 在仅使用CPU的情况下，实现实时、全离线质量的HLT2阶段事件重建，要求高事件吞吐量和低延迟。
• 通过确保前向追踪仅处理匹配算法未匹配的残差VELO轨迹，减少长轨迹重建中的冗余。
• 通过数据级并行性（即SIMD指令）优化前向追踪算法的CPU吞吐量，同时不降低重建质量。
• 在HLT2重建流程中，实现每个计算节点每秒处理超过500个事件的事件吞吐量。

提出的方法

• 前向追踪算法通过类似霍夫变换的方法，在SciFi探测器的打点中识别线性模式，以重建带电粒子轨迹。
• 利用256位AVX2 SIMD寄存器并行处理多个打点和直方图桶，实现单指令多数据操作，同时处理八个32位浮点或整数数值。
• 数据结构采用数组中结构的布局，以最大化内存带宽，并实现高效加载至SIMD寄存器。
• 算法聚焦于计算密集型的映射-归约阶段，包括将打点映射到参考平面和阈值扫描，该阶段的SIMD优化带来了最大的性能提升。
• 使用残差VELO轨迹（即未被匹配算法匹配的轨迹）作为种子，仅利用SciFi打点将它们扩展为长轨迹。
• 完整的HLT2重建流程包括使用卡尔曼滤波器进行轨迹拟合和粒子识别，前向追踪在实现整体吞吐量目标中发挥了关键作用。

实验结果

研究问题

• RQ1 如何在保持高重建效率和低虚假轨迹率的前提下，使前向追踪算法在LHCb Run 3 HLT2重建中实现高事件吞吐量？
• RQ2 SIMD并行性在加速轨迹重建流水线中最计算密集部分中扮演何种角色？
• RQ3 在与T轨迹匹配后，处理残差VELO轨迹时，该算法的性能如何扩展？
• RQ4 数据布局（即结构-数组）对轨迹重建中SIMD向量化效率有何影响？
• RQ5 在实时、基于CPU的触发系统中，AVX2向量化在不损害重建质量的前提下，能在多大程度上提升吞吐量？

主要发现

• 通过利用AVX2 SIMD指令，前向追踪算法实现了60%的吞吐量提升，且未损失重建效率或增加虚假轨迹比例。
• 对于底介子衰变产生的粒子，该算法的长轨迹重建效率约为90%，在动量超过10 GeV/c时提升至95%以上。
• 仅前向追踪引入的综合虚假轨迹比例为15%，随后通过卡尔曼滤波和专用虚假轨迹分类器进一步降低。
• 包括前向追踪、卡尔曼滤波和粒子识别在内的HLT2重建流程，实现了每个计算节点每秒处理超过500个事件的吞吐量。
• 性能增益主要体现在算法的映射-归约阶段，该阶段通过256位SIMD寄存器并行处理多个打点和直方图桶。
• 结构-数组数据布局使得数据能够高效加载和存储至SIMD寄存器，这对实现向量化操作的高吞吐量至关重要。